Biostatistiek
Voer een Exploratieve Data Analyse uit (met regressie)
Sample size
Location
N=
Mean = …
Median = …
SD = …
IQR = …
Min = …
Max = …
Noem wel/geen outliers
Veel/weinig? Kijk hiervoor ook naar
sample size
Boxplot → vergelijk Q1 – Q4
Q2 – Q3 . Scheef? Rechts/Links ?
QQ-plot → kijk of puntjes binnen de
stippellijnen liggen.
Dispersion
Extremes
Outliers
Symmetry
Normaliteit
Shapiro Wilk → kijk naar de p-value als p
< α ~ 0.05 H0 verwerpen. H0 niet
verwerpen OK!
**let op: De symmetry en de Normaliteit
die hierboven zijn beschreven zijn niet
van belang bij de regressie
Scatterplot → positief/negatief
Correlatie → richting 1; sterk en positief
richting -1; sterk en negatief
richting 0; géén lineaire relatie tussen 2
variabelen
Wél of géén 1st order
Vaak wordt ook de vergelijking gevraagd:
y = intercept value + slope_valuex
Extra bij
regressie
Direction
Strength
Shape
Opmerkingen
N < 10/20 erg klein!
Bij regressie hoeft dit niet
1 outlier → ‘verkrijg info
voor die outlier’
Niet van belang bij
regressie
Niet van belang bij
regressie
Let op significantie!
ο Benoem hierbij ook de
value, std error en de
reasonable accuracy
Bijzonderheden
Bereken een 95%-betrouwbaarheidsinterval voor de verwachtingswaarde
π
N - 1 = DF
π ± π‘πΌ/2;ππ·πΉ ∗
N = sample size
√π
Antwoord in vorm [ ; ] let op significantie!
Bij hogere betrouwbaarheid van het interval → lagere α waarde → waardoor de t-waarde
verder van 0 ligt → zorgt voor een breder interval dus een minder nauwkeurig.
Aanpak vragen met gegeven μ en σ
π=
π−µ
-
Gebruik:
-
Notatie : P[..≤X≤.. | N(µ=…, π=)] = P[ π ≤ Z ≤ π | N(0,1)] kans tussen 2 getallen
Voor kans groter of kleiner dan gebruik </>
Gebruik tabellen
Bij een gegeven percentage(kans) moet je terugrekenen
π
π−µ
π−µ
Voer een toets/parametrische t-toets uit om te bepalen of de verwachtingswaarden
afwijkt van/gelijk zijn/significant verschillen… Als meerdere toetsen mogelijk zijn,
beargumenteer dan welke je voorkeur heeft
Aanname
Data uit een normale verdeling
H0: μ =
Hypotheses
Bij 2 groepen vergelijken:
H1: μ ≠
h0: μ1 = μ2
H1: μ1 ≠ μ2
(2-zijdig noemen!)
μ > of < dan (1 zijdig)
Bij een getal gegeven dan:
μ = getal
π−µ
π‘= π
~ππ‘π’ππππ‘. π‘π₯ π·πΉ
⁄ π
√
Test
statistics
Value of test
statistics
t=
p-value
Beslisregel
Conclusie
P=
P < α ~ 0,05 H0 verwerpen
X = n-1 DF
Aflezen uit data
data = t.test, vaak wordt
var.equal = True/False
gegeven
Aflezen uit data
Bij kijken naar welke de voorkeur heeft kijk je naar var.test deze checkt of varianties gelijk
zijn. Vervolgens geef je p-value als p-value > α ~ 0,05 verwerp H0 niet. H0 : = equal var. en
H1 ≠ equal.var dus bij H0 niet verwerpen voorkeur voor var.equal = True anders voor
var.equal = False
Voer een parametrische t-toets uit om te bepalen of er een significant verschil is in de
resultaten…
Aanname
??
H0: μ0 = 0
Hypotheses
H1: μ0 ≠ 0
(2-zijdig noemen!)
π−µ
π‘= π
~ππ‘π’ππππ‘. π‘π₯ π·πΉ
⁄ π
√
Test
statistics
Value of test
statistics
p-value
Beslisregel
Conclusie
t=
P=
P < α ~ 0,05 H0 verwerpen
X = n-1 DF
Aflezen uit data
paired =TRUE
Aflezen uit data
Voer een toets uit om te bepalen of Q een significante voorspeller is
Aanname
Hypotheses
??
H0: β0 = 0
H1: β1 ≠ 0
(2-zijdig noemen!)
Test
statistics
Value of test
statistics
ππ − π½π
~ππ‘π’ππππ‘. π‘π₯ π·πΉ
ππΈ(π½π )
t = t value van Q
π‘=
X = n-2 DF
Aflezen uit data
RegModel.1
p-value
Beslisregel
Conclusie
P=
P < α ~ 0,05 H0 verwerpen
Q is al voorspeller significant
Aflezen uit data
Voer een ANOVA-toets uit om te bepalen of het model geheel significant is
Aanname
Residuen normaal, identiek en onafhankelijk ε~NID(µ = 0; σ)
H0: βi = 0 voor i ≠ 0
Hypotheses
H1: βi ≠ 0 voor min één i = 0
(2-zijdig noemen!)
Test
statistics
Value of test
statistics
p-value
Beslisregel
Conclusie
πΉ=
πππππππ
~πΉππ βππ. πΉπ₯−1−1 π·πΉ
πππππππ
X = n-1-1 DF
F=
Aflezen uit data
P=
P < α ~ 0,05 H0 verwerpen
Aflezen uit data
Geef bij dit model gemaakte modelaannames
- Normaal: QQ-plot, kijken of puntjes binnen stippellijnen liggen
- Identiek: Scale-location plot, check horzontale lijn/punten ver weg van lijn
- Onafhankelijk: Residuals vs Fitted. Check positief/negatief
ο¨ Geef bij alle dingen ook goed aan bij welke x-as hij van positief naar negatief gaat
of andersom
Voer een toets uit om te bepalen of de varianties gelijk zijn/significant verschillen
Aanname
Onafhankelijke groepen → data in individuele groepen komen uit een
normale verdeling
Hypotheses
H0: σA2 = σB2 ⇔ σA2 / σB2 = 1;
HA: σA2 ≠ σB2 ⇔ σA2 / σB2 ≠ 1
(2-zijdig noemen!)
Test
statistics
Value of test
statistics
p-value
Beslisregel
Conclusie
πΉ=
π π΄ 2
~πΉππ βππ πΉπ1 −1; π2 −1 π·πΉ
π π΅ 2
F=
Aflezen uit data
P=
P < α ~ 0,05 H0 verwerpen
Aflezen uit data
Welke van de gefitte modellen verdient de voorkeur voor het voorspellen en geef
vergelijking?
- Geef R2 → hoe groter hoe beter
- adjusted R2 → hoe groter hoe beter
- RSE → hoe lager hoe beter
- Check significantie van de afzonderlijke modelparameters in elk van de modellen →
vermijd modellen met niet-significante parameters en geef aan dat deze niet
significant is.
- Check residuen aannames per model
- Geef de vergelijking: y = … +… x1 + ..
De volgorde waarin ze staan, bepaalt een x1,x2. De intercept is niet met een x, en de
slope daaronder krijgt de eerste slope een x1, de tweede slope krijgt een x2, enz….
Voer een toets uit om te bepalen of …….. een significante invloed gehad heeft op
……………… / of het regressiemodel significant is.
Aanname
Hypotheses
Test
statistics
Value of test
statistics
p-value
Beslisregel
Conclusie
Residuals normaal verdeeld, independence, identically distributed
βi = 0
H1: βi ≠ 0
βi
π‘=
πβi
~ππ‘π’ππππ‘~π‘π−(ππππ‘ππ πππππππ‘πππ )=...π·πΉ
t=
Aflezen uit data
P=
P < α ~ 0,05 H0 verwerpen
Als de p < a, en je mag H0 verwerpen, dan
is het significant
Aflezen uit data
Bereken schatting met gegeven formule
- μx ≈ X (mean) en σx ≈ sx (sd) → uit data
- μy is getal met ingevulde waardes X
- gegeven formule Y moet je afleiden
-
dy 2
σ2π¦ ≈ (dx) ∗ π π₯2 + ..
σ vaak 1 getal achter de komma minder?